SAM(Segment Anything Model)相关论文总结

近年来，围绕 Meta AI 提出的 Segment Anything Model（SAM）研究者展开了大量相关研究，涵盖了模型优化、领域适应、轻量化部署等多个方向。以下是根据不同研究特点对近期相关工作的分类总结：

模型优化与任务扩展

HQ-SAM（Segment Anything in High Quality）：为提升 SAM 在复杂结构对象上的分割质量，HQ-SAM 引入了可学习的高质量输出 token，并融合了 ViT 的早期和最终特征，仅需少量额外参数和计算即可显著提升分割精度。 

论文：https://arxiv.org/abs/2306.01567

代码：https://github.com/SysCV/sam-hq

GenSAM Relax Image-Specific Prompt Requirement in SAM: A Single Generic Prompt for Segmenting Camouflaged Objects

论文：https://arxiv.org/abs/2312.07374

代码：https://github.com/jyLin8100/GenSAM

SEEM: Segment Everything Everywhere All at Once

论文：https://arxiv.org/pdf/2304.06718

代码：https://github.com/UX-Decoder/Segment-Everything-Everywhere-All-At-Once